CN116937819B - 一种具有学习功能的远程配电柜监控系统 - Google Patents

一种具有学习功能的远程配电柜监控系统 Download PDF

Info

Publication number
CN116937819B
CN116937819B CN202311206994.8A CN202311206994A CN116937819B CN 116937819 B CN116937819 B CN 116937819B CN 202311206994 A CN202311206994 A CN 202311206994A CN 116937819 B CN116937819 B CN 116937819B
Authority
CN
China
Prior art keywords
data
scheme
power distribution
distribution cabinet
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311206994.8A
Other languages
English (en)
Other versions
CN116937819A (zh
Inventor
陈旭东
李晓波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Songdaolingdian Electric Equipment Co ltd
Original Assignee
Beijing Songdaolingdian Electric Equipment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Songdaolingdian Electric Equipment Co ltd filed Critical Beijing Songdaolingdian Electric Equipment Co ltd
Priority to CN202311206994.8A priority Critical patent/CN116937819B/zh
Publication of CN116937819A publication Critical patent/CN116937819A/zh
Application granted granted Critical
Publication of CN116937819B publication Critical patent/CN116937819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/56—Testing of electric apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
    • H02B1/26—Casings; Parts thereof or accessories therefor
    • H02B1/30—Cabinet-type casings; Parts thereof or accessories therefor
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B15/00—Supervisory desks or panels for centralised control or display
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Computer Interaction (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Signal Processing (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力设备监测技术领域。本发明涉及一种具有学习功能的远程配电柜监控系统。其包括数据传输单元、状态收集单元、方案制定单元、数据比对单元以及方案更新单元；数据传输单元用于采集配电柜运行状态数据；状态收集单元用于划定干扰区域，并采集干扰区域的数据，并结合数据传输单元采集的数据进行评估；本发明通过学习算法，能够根据配电柜的运行数据和环境因素进行学习和优化，以提高配电柜的能源利用效率和电力系统的整体效能，具备了自适应和自优化的能力，增加了配电调整的灵活性和智能化程度，同时并对配电柜的运行数据进行学习和分析。

Description

一种具有学习功能的远程配电柜监控系统
技术领域
本发明涉及电力设备监测技术领域，具体地说，涉及一种具有学习功能的远程配电柜监控系统。
背景技术
目前，配电柜监控系统通常采用静态的监测方法，只能提供有限的运行数据，并且缺乏对数据的分析和预测能力，这种监控系统的运行效率和可靠性受到了一定的限制，导致对配电柜进行调整的方案，使用效果较低，同时无法及时根据配电柜变化进行方案调整，实用性较低，鉴于此，提出一种具有学习功能的远程配电柜监控系统。
发明内容
本发明的目的在于提供一种具有学习功能的远程配电柜监控系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种具有学习功能的远程配电柜监控系统，包括数据传输单元、状态收集单元、方案制定单元、数据比对单元以及方案更新单元；
所述数据传输单元用于采集配电柜运行状态数据；
所述状态收集单元用于划定干扰区域，并采集干扰区域的数据，并结合数据传输单元采集的数据进行评估；
所述方案制定单元用于采集用户指令信息，并根据指令信息生成对应的方案，使用监督学习方法训练预测模型对配电柜的状态进行预测；
所述数据比对单元用于采集方案实施数据，并对采集的实施数据进行分析；
所述方案更新单元用于根据数据比对单元的分析结果，生成修改方案并上传至方案制定单元训练的预测模型内，进行学习更新。
作为本技术方案的进一步改进，所述数据传输单元包括信息采集模块和图像采集模块；
所述信息采集模块用于实时采集配电柜参数数据；
所述图像采集模块用于实时采集配电柜图像数据。
作为本技术方案的进一步改进，所述状态收集单元包括环境检测模块和数据检测模块；
所述环境检测模块用于根据环境对配电柜的影响划定一片干扰区域，并采集干扰区域内的环境数据；
所述数据检测模块用于将图像采集模块采集的图像数据和环境检测模块采集的环境数据结合对信息采集模块采集的参数数据进行检测。
作为本技术方案的进一步改进，所述环境检测模块利用遥感数据获取技术对配电柜周围的环境进行监测采集环境数据并同时获取气象数据。
作为本技术方案的进一步改进，所述方案制定单元包括指令采集模块和方案生成模块；
所述指令采集模块用于采集用户指定数据，并对指令数据进行分析，获取调整摘要；
所述方案生成模块用于根据方案生成模块获取的调整摘要结合环境检测模块采集的环境数据和信息采集模块采集的参数数据进行分析，获取配电柜调整方案。
作为本技术方案的进一步改进，所述方案生成模块采用机器学习算法来学习配电柜内部运行参数数据和环境数据对于配电柜运行状态的影响，生成适用于配电柜的调整方案。
作为本技术方案的进一步改进，所述数据比对单元包括方案实施模块和数据分析模块；
所述方案实施模块用于将方案生成模块获取的调整方案上传至云端供用户评估，根据用户评估结果实施方案；
所述数据分析模块用于采集方案实施配电柜运行数据，并根据采集的运行数据结合历史数据进行比对。
作为本技术方案的进一步改进，所述数据分析模块结合历史数据进行比对的步骤如下：
根据配电柜正常运行状态下的数据分布、波动情况参数，制定阈值范围，当配电柜数据超过设定阈值时触发方案修改；
触发方案修改：根据采集的运行数据采用机器学习算法应用于实时数据分析和历史数据对比，通过分析，诊断出配电柜内部运行状态的变化，并根据诊断结果生成相应的方案修改信息。
作为本技术方案的进一步改进，所述方案更新单元包括信息反馈模块和反馈更新模块；
所述信息反馈模块用于将数据分析模块的比对数据进行统一格式转换，生成实施修改方案，并上传至云端供用户进行评估；
所述反馈更新模块用于根据用户的评估结果将实时修改方案上传至方案生成模块对其获取的调整方案进行更新。
与现有技术相比，本发明的有益效果：
该一种具有学习功能的远程配电柜监控系统中，通过学习算法，能够根据配电柜的运行数据和环境因素进行学习和优化，以提高配电柜的能源利用效率和电力系统的整体效能，具备了自适应和自优化的能力，增加了配电调整的灵活性和智能化程度，同时并对配电柜的运行数据进行学习和分析，可以预测配电柜的能耗和负载需求，并进行相应的能源调度和优化，使得提前做出相应的调整和优化，提高了能源利用效率和系统的稳定性。
附图说明
图1为本发明的整体结构原理图；
图2为本发明的数据传输单元的结构原理图；
图3为本发明的状态收集单元的结构原理图；
图4为本发明的方案制定单元的结构原理图；
图5为本发明的数据比对单元的结构原理图；
图6为本发明的方案更新单元的结构原理图。
图中各个标号意义为：
10、数据传输单元；11、信息采集模块；12、图像采集模块；
20、状态收集单元；21、环境检测模块；22、数据检测模块；
30、方案制定单元；31、指令采集模块；32、方案生成模块；
40、数据比对单元；41、方案实施模块；42、数据分析模块；
50、方案更新单元；51、信息反馈模块；52、反馈更新模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参阅图1-图6所示，本实施例目的在于，提供了一种具有学习功能的远程配电柜监控系统，包括数据传输单元10、状态收集单元20、方案制定单元30、数据比对单元40以及方案更新单元50；
数据传输单元10用于采集配电柜运行状态数据；
数据传输单元10包括信息采集模块11和图像采集模块12；
信息采集模块11用于实时采集配电柜参数数据；通过电流传感器、电压传感器和功率传感器，安装在配电柜中，用于实时监测配电柜的电流、电压和功率等运行参数；
图像采集模块12用于实时采集配电柜图像数据。步骤如下：
图像采集设备：选择合适的图像采集设备，例如红外摄像机、热像仪、可见光相机；
制定采集方案：根据图像采集设备性能和配电柜特点，制定采集方案，包括采集参数、采集角度、采集频率和采集时间等。
采集图像数据：按照制定的采集方案，利用图像采集设备对配电柜进行检测和拍摄，实时获取配电柜的图像数据。
状态收集单元20用于划定干扰区域，并采集干扰区域的数据，并结合数据传输单元10采集的数据进行评估；
状态收集单元20包括环境检测模块21和数据检测模块22；
环境检测模块21用于根据环境对配电柜的影响划定一片干扰区域，并采集干扰区域内的环境数据；环境检测模块21利用遥感数据获取技术对配电柜周围的环境进行监测采集环境数据并同时获取气象数据。步骤如下：
确定监测需求：根据配电柜周围环境对配电柜的影响，确定需要监测的气象参数和区域；
选择遥感数据源：选择遥感卫星或无人机等设备，搭载红外、雷达、多光谱等传感器，获取需要的气象数据；
遥感数据处理：对采集到的遥感数据转化为气象要素；
气象预测模型：根据历史数据建立气象预测模型，气象预测模型为基于深度学习的时间序列模型；基于深度学习的时间序列模型选择为长短时记忆网络，将未来气象数据输入训练好的LSTM模型，进行预测。预测结果根据预测精度和可信度进行分析和应用，
LSTM是一种递归神经网络，其隐藏状态ht可以通过公式获取：
；
其中，时间为t，当前隐藏状态ht可以通过给定的上一个时间步的隐藏状态ht-1和当前输入xt来计算得出，f是一个特殊的RNN模型，由三个门遗忘门、输入门和输出门和许多层的单元组成，通过这些门来控制数据流，并擅长捕捉长期依赖关系。
在LSTM中，遗忘门和输入门的公式为：
；
；
其中，sigma是sigmoid函数，Wf，Wi，bf，bi是需要训练的参数，表示将输入xt和上一个时间步的隐藏状态ht-1拼接起来。输出门的计算公式为：
；
单元状态的计算公式为：
；
其中，odot表示两个向量对应元素相乘，tanh表示双曲函数。Wc和bc均为需要训练的参数；
数据分析与预测：利用建立的气象预测模型对未来气象数据进行预测，并结合配电柜的运行状态数据进行预测，预测未来一个星期的负荷状况。
数据检测模块22用于将图像采集模块12采集的图像数据和环境检测模块21采集的环境数据结合对信息采集模块11采集的参数数据进行检测。步骤如下：
实时监测与检测：对运行参数数据进行实时监测和检测，通过对图像数据与环境数据进行综合分析，得到更加准确的运行参数数据，，结合图像识别技术，对设备温度和机械磨损进行预测与检测；利用环境数据和实际运行参数数据进行数据分析，进行违规判断和运维过程中的提醒和预警。
数据反馈与分析：将实时采集的电力设备运行参数数据对比预期的参数值，进行数据分析并反馈给平台，进行设备维护和运营参数的优化，提高设备的健康水平和运行效率。
方案制定单元30用于采集用户指令信息，并根据指令信息生成对应的方案，使用监督学习方法训练预测模型对配电柜的状态进行预测；
方案制定单元30包括指令采集模块31和方案生成模块32；
指令采集模块31用于采集用户指定数据，并对指令数据进行分析，获取调整摘要；
方案生成模块32用于根据方案生成模块32获取的调整摘要结合环境检测模块21采集的环境数据和信息采集模块11采集的参数数据进行分析，获取配电柜调整方案。
方案生成模块32采用机器学习算法来学习配电柜内部运行参数数据和环境数据对于配电柜运行状态的影响，生成适用于配电柜的调整方案。表达式如下：
假设配电柜内部运行参数描述变量集合为X={x1,x2,...,xn}，
外部环境因素描述变量集合为E={e1,e2,...,em}，
使用一个监督学习方法，例如多元回归来训练一个模型，从而捕捉运行参数和环境因素对配电柜状态的影响。假设有一个数据集：
，
其中，表示第i个样本的配电柜内部运行参数，/>表示第i个样本的外部环境因素，/>表示第i个样本的真实配电柜状态。利用这个数据集来训练模型/>，其中Y是预测配电柜状态的输出，使用下面的公式：
；
其中，beta0是偏置项，betai是xi的回归系数，gammaj是ej的回归系数，epsilon是噪声项。
训练模型后，可以使用生成的模型来预测配电柜的状态。对于给定的一个新的样本，可以使用训练好的模型/>来预测其状态/>。
数据比对单元40用于采集方案实施数据，并对采集的实施数据进行分析；
数据比对单元40包括方案实施模块41和数据分析模块42；
方案实施模块41用于将方案生成模块32获取的调整方案上传至云端供用户评估，根据用户评估结果实施方案；将生成的调整方案上传至云端，提供给用户评估和选择。可以利用云计算的高性能和可扩展性，快速提交分析请求并获得反馈，当用户发送同意意见后，根据实施方案对配电柜进行控制；
数据分析模块42用于采集方案实施配电柜运行数据，并根据采集的运行数据结合历史数据进行比对。
数据分析模块42结合历史数据进行比对的步骤如下：
根据配电柜正常运行状态下的数据分布、波动情况参数，制定阈值范围，当配电柜数据超过设定阈值时触发方案修改；
触发方案修改：根据采集的运行数据采用机器学习算法应用于实时数据分析和历史数据对比，通过分析，诊断出配电柜内部运行状态的变化，并根据诊断结果生成相应的方案修改信息。表达式如下：
根据实时采集的运行数据和历史采集的数据来进行诊断和预测。假设有一个数据集：
，
其中，表示第i个样本的实时运行数据和历史采集的数据，/>表示第i个样本的对应的配电柜的状态。可以使用这个数据集来训练一个监督学习模型/>，其中X是输入数据的特征矩阵，Y是输出的配电柜状态。
可以使用SVM分类器，其分类器的模型可以表示为：
；
其中，w是特征向量x的权重向量，b表示分类器的偏置项，是符号函数，其输出值为正或负。
在训练完成模型后，利用模型对实时采集的运行数据和历史采集的数据进行分析诊断出配电柜内部运行状态的变化。具体而言，将采集到的数据落在特征空间内的位置转化为对应的分类或回归结果，进而得到一些预测值或评分结果。根据这些结果，可以生成相应的方案修改信息，例如，产生警告、优化控制策略等。
方案更新单元50用于根据数据比对单元40的分析结果，生成修改方案并上传至方案制定单元30训练的预测模型内，进行学习更新。
方案更新单元50包括信息反馈模块51和反馈更新模块52；
信息反馈模块51用于将数据分析模块42的比对数据进行统一格式转换，生成实施修改方案，并上传至云端供用户进行评估；生成方案：对比各种数据源，整理数据格式并进行统一清洗，基于比对分析的结果，生成实施修改方案，确定需要采取的措施和方向。例如，可能需要调整控制策略、更换老化部件等；
反馈更新模块52用于根据用户的评估结果将实时修改方案上传至方案生成模块32对其获取的调整方案进行更新。将生成的调整方案上传至云端，提供给用户评估和选择，当用户发送同意意见后，根据调整方案覆盖实施方案对配电柜进行控制。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种具有学习功能的远程配电柜监控系统，其特征在于：包括数据传输单元（10）、状态收集单元（20）、方案制定单元（30）、数据比对单元（40）以及方案更新单元（50）；
所述数据传输单元（10）用于采集配电柜运行状态数据；
所述状态收集单元（20）用于划定干扰区域，并采集干扰区域的数据，并结合数据传输单元（10）采集的数据进行评估；
所述方案制定单元（30）用于采集用户指令信息，并根据指令信息生成对应的方案，使用监督学习方法训练预测模型对配电柜的状态进行预测；
所述数据比对单元（40）用于采集方案实施数据，并对采集的实施数据进行分析；
所述方案更新单元（50）用于根据数据比对单元（40）的分析结果，生成修改方案并上传至方案制定单元（30）训练的预测模型内，进行学习更新；
所述数据传输单元（10）包括信息采集模块（11）和图像采集模块（12）；
所述信息采集模块（11）用于实时采集配电柜参数数据；
所述图像采集模块（12）用于实时采集配电柜图像数据；
所述状态收集单元（20）包括环境检测模块（21）和数据检测模块（22）；
所述环境检测模块（21）用于根据环境对配电柜的影响划定一片干扰区域，并采集干扰区域内的环境数据；
所述数据检测模块（22）用于将图像采集模块（12）采集的图像数据和环境检测模块（21）采集的环境数据结合对信息采集模块（11）采集的参数数据进行检测；
所述环境检测模块（21）利用遥感数据获取技术对配电柜周围的环境进行监测采集环境数据并同时获取气象数据；
确定监测需求：根据配电柜周围环境对配电柜的影响，确定需要监测的气象参数和区域；
选择遥感数据源：选择遥感卫星或无人机，搭载红外、雷达和多光谱传感器，获取需要的气象数据；
遥感数据处理：对采集到的遥感数据转化为气象要素；
气象预测模型：根据历史数据建立气象预测模型，气象预测模型为基于深度学习的时间序列模型；基于深度学习的时间序列模型选择为长短时记忆网络，将未来气象数据输入训练好的LSTM模型，进行预测，预测结果根据预测精度和可信度进行分析和应用，
LSTM是一种递归神经网络，其隐藏状态ht可通过公式获取：
，
其中，时间为t，当前隐藏状态ht通过给定的上一个时间步的隐藏状态ht-1和当前输入xt来计算得出，f是一个特殊的RNN模型，由三个门遗忘门、输入门和输出门和许多层的单元组成；
在LSTM中，遗忘门和输入门的公式为：
，
，
其中，sigma是sigmoid函数，Wf，Wi，bf，bi是需要训练的参数，表示将输入xt和上一个时间步的隐藏状态ht-1拼接起来；
输出门的计算公式为：
，
单元状态的计算公式为：
，
其中，odot表示两个向量对应元素相乘，tanh表示双曲函数，Wc和bc均为需要训练的参数；
数据分析与预测：利用建立的气象预测模型对未来气象数据进行预测，并结合配电柜的运行状态数据进行预测，预测未来一个星期的负荷状况；
所述方案制定单元（30）包括指令采集模块（31）和方案生成模块（32）；
所述指令采集模块（31）用于采集用户指定数据，并对指令数据进行分析，获取调整摘要；
所述方案生成模块（32）用于根据方案生成模块（32）获取的调整摘要结合环境检测模块（21）采集的环境数据和信息采集模块（11）采集的参数数据进行分析，获取配电柜调整方案；
所述方案生成模块（32）采用机器学习算法来学习配电柜内部运行参数数据和环境数据对于配电柜运行状态的影响，生成适用于配电柜的调整方案；
设置配电柜内部运行参数描述变量集合为X={x1,x2,...,xn}，外部环境因素描述变量集合为E={e1,e2,...,em}；
使用多元回归来训练一个模型，从而捕捉运行参数和环境因素对配电柜状态的影响，设置一个数据集：
，
其中，表示第i个样本的配电柜内部运行参数，/>表示第i个样本的外部环境因素，/>表示第i个样本的真实配电柜状态；
利用这个数据集来训练模型，其中Y是预测配电柜状态的输出；
训练模型后，使用生成的模型来预测配电柜的状态；
对于给定的一个新的样本，使用训练好的模型/>来预测其状态；
所述数据比对单元（40）包括方案实施模块（41）和数据分析模块（42）；
所述方案实施模块（41）用于将方案生成模块（32）获取的调整方案上传至云端供用户评估，根据用户评估结果实施方案；
所述数据分析模块（42）用于采集方案实施配电柜运行数据，并根据采集的运行数据结合历史数据进行比对；
所述数据分析模块（42）结合历史数据进行比对的步骤如下：
根据配电柜正常运行状态下的数据分布、波动情况参数，制定阈值范围，当配电柜数据超过设定阈值时触发方案修改；
触发方案修改：根据采集的运行数据采用机器学习算法应用于实时数据分析和历史数据对比，通过分析，诊断出配电柜内部运行状态的变化，并根据诊断结果生成相应的方案修改信息；
根据实时采集的运行数据和历史采集的数据来进行诊断和预测，设置一个数据集：
，
其中，表示第i个样本的实时运行数据和历史采集的数据，/>表示第i个样本的对应的配电柜的状态；
使用这个数据集来训练一个监督学习模型，其中X是输入数据的特征矩阵，Y是输出的配电柜状态；
使用SVM分类器，其分类器的模型可以表示为：
，
其中，w是特征向量x的权重向量，b表示分类器的偏置项，是符号函数，其输出值为正或负；
所述方案更新单元（50）包括信息反馈模块（51）和反馈更新模块（52）；
所述信息反馈模块（51）用于将数据分析模块（42）的比对数据进行统一格式转换，生成实施修改方案，并上传至云端供用户进行评估；
所述反馈更新模块（52）用于根据用户的评估结果将实时修改方案上传至方案生成模块（32）对其获取的调整方案进行更新。
CN202311206994.8A 2023-09-19 2023-09-19 一种具有学习功能的远程配电柜监控系统 Active CN116937819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311206994.8A CN116937819B (zh) 2023-09-19 2023-09-19 一种具有学习功能的远程配电柜监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311206994.8A CN116937819B (zh) 2023-09-19 2023-09-19 一种具有学习功能的远程配电柜监控系统

Publications (2)

Publication Number Publication Date
CN116937819A CN116937819A (zh) 2023-10-24
CN116937819B true CN116937819B (zh) 2023-12-08

Family

ID=88390149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311206994.8A Active CN116937819B (zh) 2023-09-19 2023-09-19 一种具有学习功能的远程配电柜监控系统

Country Status (1)

Country Link
CN (1) CN116937819B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016115659A1 (zh) * 2015-01-19 2016-07-28 深圳睿立方智能科技有限公司 一种智能配电柜的配电单元
CN110264679A (zh) * 2019-06-18 2019-09-20 国网山东省电力公司沂南县供电公司 配电柜监测系统及方法
CN116169786A (zh) * 2023-02-21 2023-05-26 镇江默勒电器有限公司 一种核电配电柜的安全智能监控方法及系统
CN116755377A (zh) * 2023-08-21 2023-09-15 山东嘉隆新能源股份有限公司 醇类精制机组的能耗监测及远程控制系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016115659A1 (zh) * 2015-01-19 2016-07-28 深圳睿立方智能科技有限公司 一种智能配电柜的配电单元
CN110264679A (zh) * 2019-06-18 2019-09-20 国网山东省电力公司沂南县供电公司 配电柜监测系统及方法
CN116169786A (zh) * 2023-02-21 2023-05-26 镇江默勒电器有限公司 一种核电配电柜的安全智能监控方法及系统
CN116755377A (zh) * 2023-08-21 2023-09-15 山东嘉隆新能源股份有限公司 醇类精制机组的能耗监测及远程控制系统

Also Published As

Publication number Publication date
CN116937819A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
KR102159692B1 (ko) 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
US11941868B2 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
Chu et al. Real-time forecasting of solar irradiance ramps with smart image processing
US20200310400A1 (en) Predictive Classification of Future Operations
Ma et al. Novel field-support vector regression-based soft sensor for accurate estimation of solar irradiance
CN116776745B (zh) 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统
CN113671421A (zh) 一种变压器状态评估与故障预警方法
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN110458342A (zh) 一种基于改进的narx神经网络微气象监测系统及方法
CN116248674A (zh) 一种数据传输方法、装置及系统
CN116937819B (zh) 一种具有学习功能的远程配电柜监控系统
CN115510767B (zh) 基于深度时空网络的区域气温预测方法
Wang et al. An anomaly detection method for spacecraft solar arrays based on the ILS-SVM model
CN114399024B (zh) 油气浓度大数据智能检测系统
CN116434569A (zh) 基于stnr模型的交通流量预测方法及系统
Chitnis et al. Occupancy estimation with environmental sensors: the possibilities and limitations
Dhiman et al. Enhancing wind turbine reliability through proactive high speed bearing prognosis based on adaptive threshold and gated recurrent unit networks
Hu et al. The early warning model of dust concentration in smart construction sites based on long short term memory network
Liu et al. Polluted gas quantitative detection in multi-gas sensor based on bidirectional long-short term memory network
Wang et al. Application and challenges of deep neural network in fault diagnosis of aviation equipment
Qianqian et al. Study on life prediction of radar based on non-parametric regression model
Efendi et al. The Role of Recurrent Convolutional Neural Network in IoT for Building a Security Artificial Intelligence and Home Assistance System
KR102642564B1 (ko) 재생 에너지 발전기 이상 진단 방법 및 시스템
Fan et al. A hybrid prognostic model based on bayesian deep learning network and uncertainty quantification for roller bearings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant